在人類科技發展歷程中，好奇心始終是推動重大突破的關鍵力量。回溯歷史，一個世紀前科學家對原子的探索熱情，不僅催生了量子力學這一革命性理論，更為現代計算的核心——晶體管的出現奠定了基礎。而蒸汽機這一實用技術的誕生，其真正潛力得以釋放，則依賴于熱力學領域的基礎研究。這種基礎研究與實用技術相互促進的模式，在當今人工智能（AI）與數學物理科學（MPS）的交匯處再次顯現。
當前AI領域的蓬勃發展，正是得益于MPS領域長達數十年的研究積累。這些基礎研究不僅提供了具有挑戰性的問題、豐富的數據集，還孕育出深刻的理論洞見，共同推動了現代AI技術的崛起。2024年諾貝爾物理學獎和化學獎的歸屬，便是有力證明——前者授予了基于物理學原理的基礎AI方法，后者則表彰了AI在蛋白質設計領域的創新應用。這一雙重認可，凸顯了AI與MPS之間日益緊密的聯系。
2025年，麻省理工學院（MIT）舉辦了一場聚焦"AI+MPS未來"的研討會。這場由美國國家科學基金會資助、MIT理學院及多個院系聯合支持的活動，匯聚了AI與科學領域的頂尖學者。他們共同探討如何最大化利用AI推動MPS發展，以及MPS如何反哺AI創新。會議成果已整理成白皮書，發表于《機器學習：科學與技術》期刊，為學術界提供了重要參考。
MIT物理學教授、研討會主席杰西·塞勒在訪談中指出，盡管與會者來自天文學、化學、材料科學、數學和物理學等不同領域，但他們在AI應用方面展現出驚人的共性。通過深入討論，大家達成共識：要實現AI與科學的協同進步，需要在計算基礎設施、跨學科研究方法和人才培養體系上進行系統性投入。這種投入不應是單向的——科學不僅能借助AI提升研究效率，AI本身也能通過科學獲得改進。例如，科學家擅長從復雜系統中提煉規律，這有助于揭示神經網絡的底層原理和涌現行為。塞勒將這種雙向互動稱為"AI的科學"，它包含三個層面：以科學推理優化AI方法、用科學難題驅動算法創新、借科學工具解析AI運作機制。
塞勒以粒子物理領域為例說明這種互動的價值。該領域研究人員開發的實時AI算法，不僅能高效處理對撞機實驗產生的海量數據，加速新物理現象的發現，其算法設計本身也對其他領域具有借鑒意義。他強調，"AI的科學"應成為學術界優先關注的方向，這可能徹底改變我們開發、理解和控制AI系統的方式。
實現AI與科學的深度融合，關鍵在于培養能夠跨越兩個領域的復合型人才。與會專家普遍認為，需要更多既精通AI技術又熟悉科學問題的"半人馬科學家"。為此，學術機構應在教育體系各階段提供支持，從設計整合計算與科學課程的本科項目，到開設跨學科博士培養路徑，再到實施聯合教職聘任制度。
MIT在推動AI與科學融合方面已取得顯著進展，其實踐與研討會建議高度契合。在研究層面，該校通過多個協作項目促進雙向交流：一方面，各院系研究者積極推進AI驅動的科學項目；另一方面，跨學科機構如AI與基本相互作用研究所（IAIFI）和數據驅動發現的加速AI算法研究所（A3D3）匯聚了不同領域專家，產生更大協同效應。在人才培養方面，MIT蘇世民計算學院的"計算教育共同基礎"項目幫助學生掌握"計算科學+專業學科"的雙重能力；IAIFI與數據、系統與社會研究所合作的跨學科博士項目已吸引約10%的物理學博士生參與，且比例持續上升；專門設立的博士后崗位則為早期研究者提供跨學科探索的自由空間。社群建設方面，MIT通過組織從專題研討會到大型學術論壇的各類活動，強化了AI與科學交叉研究的領域認同感。
塞勒認為，要在AI與科學領域保持領先，機構需進行系統性規劃而非零散嘗試。MIT正基于現有基礎推進更多結構性舉措，包括擴大跨學科教職招聘、增設聯合學位項目，以及為"AI的科學"研究提供專項資金。今年，MIT蘇世民計算學院與物理系首次聯合招聘教職人員，便是這一戰略的重要實踐。這種有意識的布局，將使MIT在AI發展的下一階段繼續發揮關鍵作用。
